diff --git a/docs/api/paddle/nn/functional/channel_shuffle_cn.rst b/docs/api/paddle/nn/functional/channel_shuffle_cn.rst
index 92433ca7699..4f90a67227c 100644
--- a/docs/api/paddle/nn/functional/channel_shuffle_cn.rst
+++ b/docs/api/paddle/nn/functional/channel_shuffle_cn.rst
@@ -5,41 +5,22 @@ channel_shuffle
 -------------------------------
 
 .. py:function:: paddle.nn.functional.channel_shuffle(x, groups, data_format="NCHW", name=None)
-该算子将一个形为[N, C, H, W]或是[N, H, W, C]的Tensor按通道分成g组，得到形为[N, g, C/g, H, W]或[N, H, W, g, C/g]的Tensor，然后转置为[N, C/g, g, H, W]或[N, H, W, C/g, g]的形状，最后重塑为原来的形状。这样做可以增加通道间的信息流动，提高特征的重用率。详见张祥雨等人在2017年发表的论文 `ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices <https://arxiv.org/abs/1707.01083>`_ 。
+该算子将一个形为 [N, C, H, W] 或是 [N, H, W, C] 的 Tensor 按通道分成 g 组，得到形为 [N, g, C/g, H, W] 或 [N, H, W, g, C/g] 的 Tensor，然后转置为 [N, C/g, g, H, W] 或 [N, H, W, C/g, g] 的形状，最后重塑为原来的形状。这样做可以增加通道间的信息流动，提高特征的重用率。详见张祥雨等人在 2017 年发表的论文 `ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices <https://arxiv.org/abs/1707.01083>`_ 。
 
 .. note::
-   详细请参考对应的 `Class` 请参考: :ref:`cn_api_nn_ChannelShuffle` 。
+   详细请参考对应的 `Class` 请参考: :ref:`cn_api_nn_ChannelShuffle`。
 
 参数
 :::::::::
-    - **x** (Tensor): 当前算子的输入，其是一个形状为 `[N, C, H, W]` 的4-D Tensor。其中 `N` 是batch size，`C` 是通道数，`H` 是输入特征的高度，`W` 是输入特征的宽度。其数据类型为float32或者float64；
-    - **groups** (int): 要把通道分成的组数；
-    - **data_format** (str，可选): 数据格式，可选: "NCHW"或"NHWC"，默认: "NCHW"；
-    - **name** (str，可选): 操作的名称(可选，默认值为None)。更多信息请参见 :ref:`api_guide_Name`。
+    - **x** (Tensor) – 当前算子的输入，其是一个形状为 [N, C, H, W] 的 4-D Tensor。其中 N 是批大小，C 是通道数，H 是输入特征的高度，W 是输入特征的宽度。其数据类型为 float32 或 float64。
+    - **groups** (int) – 要把通道分成的组数；
+    - **data_format** (str，可选) – 数据格式，可选：NCHW 或 NHWC，默认为 NCHW，即（批大小，通道数，高度，宽度）的格式。
+    - **name** (str，可选) – 操作的名称（可选，默认值为 None），大多数情况下不需要设置此属性。更多信息请参见 :ref:`api_guide_Name`。
 
 返回
 :::::::::
-``Tensor``，输出Tensor，其数据类型与输入相同。
+``Tensor``，调整过通道顺序的 Tensor，其数据类型与输入相同。
 
 代码示例
 :::::::::
-
-.. code-block:: python
-        
-    import paddle
-    import paddle.nn.functional as F
-    x = paddle.arange(0, 0.6, 0.1, 'float32')
-    x = paddle.reshape(x, [1, 6, 1, 1])
-    # [[[[0.        ]],
-    #   [[0.10000000]],
-    #   [[0.20000000]],
-    #   [[0.30000001]],
-    #   [[0.40000001]],
-    #   [[0.50000000]]]]
-    y = F.channel_shuffle(x, 3)
-    # [[[[0.        ]],
-    #   [[0.20000000]],
-    #   [[0.40000001]],
-    #   [[0.10000000]],
-    #   [[0.30000001]],
-    #   [[0.50000000]]]]
+COPY-FROM: paddle.nn.functional.channel_shuffle:channel_shuffle-example